Optimierung der Produktauslegung

Ausgangssituation

Siemens Energy fertigt Gießharztransformatoren, die beispielsweise in Windkraftanlagen verwendet werden. Vor der Fertigung wird auf Basis der Kundenspezifi kation die elektrische, thermische und mechanische Auslegung des Transformators erstellt. Es handelt sich dabei um eine theoretische Berechnung, die viele Einfl ussfaktoren und Toleranzen berücksichtigt. Historische Daten berechneter Werte und nach der Produktion gemessene Werte liegen vor, wurden aber in der Vergangenheit nur mit hohem Aufwand manuell abgeglichen. Dies war bisher ein Grund, warum die Berechnung eher konservativ und mit einem Sicherheitsaufschlag versehen war.

Vorgehen

Im ersten Schritt wurde ein gemeinsames Bild der kompletten Auslegungsberechnung erstellt und die relevanten Mess- und Rechenwerte untersucht. Es stellte sich heraus, dass nicht in allen Bereichen ausreichend Messwerte verfügbar sind. Daher wurde mit den »Zusatzverlusten« ein Teilbereich extrahiert, bei dem alle Parameter bekannt waren und an dem die Machbarkeit der KI-Lösung erprobt werden sollte. Verschiedene Machine Learning Modelle wurden mit den bestehenden Planungs- und Messwerten trainiert. Insbesondere der Random-Forest-Algorithmus und die lineare Regression wurden näher untersucht.

Ergebnis

Machine Learning Algorithmen konnten auf Grundlage der Konstruktionsdaten die späteren Messwerte erheblich besser vorhersagen, als dies mit den bislang verwendeten Formeln der Fall war. Dies kann künftig dazu verwendet werden, die Auslegung präziser zu gestalten und die Kundenanforderungen noch besser zu treffen. Die beste Vorhersage der Messwerte lieferte ein Random-Forest-Modell. Nur unwesentlich schlechter schnitt ein lineares Regressionsmodell ab, aus dem sich darüber hinaus eine verbesserte Formel ableiten ließ, die künftig in der Produktauslegung verwendet werden kann.